jihe520/MathModelAgent：4.9k stars 的数学建模 Agent + skills，从题目到一份可提交的完整论文

发表于 分类于
jihe520/MathModelAgent（GitHub 4.9k stars、129 forks、当日 +129 stars、MIT）是一款专为数学建模设计的 AI Agent + skills 集合，能从数学建模题目（国赛 / 美赛 / 研究生数模）开始，自动完成选题分析、文献检索、模型假设、模型建立、模型求解、结果分析、论文写作全流程，最终输出一份完整的、可直接提交的数学建模论文，包含 LaTeX 模板 + 图表生成 + Python / MATLAB 求解脚本。

上周我一个朋友参加了全国大学生数学建模竞赛（CUMCM，国赛），他 7 天要交一份 30-50 页的论文。 选题 + 读题 + 查文献 + 立模型 + 写代码 + 跑结果 + 画图 + 写论文 + 排版。 三个人组队，每天睡 4 小时，第四天开始吵架。

他加了一个 MathModelAgent 的 Discord 群，发现群里 200 多人，全是用这个 Agent 跑流程的。 有人贴出”agent 自动生成的论文 PDF”，30 页 LaTeX 排版，4 张图，3 个表，引用了 12 篇知网论文。

我点开 MathModelAgent 的 GitHub 主页。 4.9k stars，129 forks，当日 +129 stars。 MIT。 README 第一句：

🤖📐 专为数学建模设计的 Agent & skills , 自动完成数学建模，生成一份完整的可以直接提交的论文。

“可以直接提交 “，这句话在数学建模圈是最高级承诺。 因为数学建模论文格式要求极其严格（字号、行距、章节编号、公式编号、图表标题、引用格式），不符合直接扣分。 一个” 能跑流程但格式不对” 的 agent 没意义。

一、它想解决的问题：数学建模的” 工程化困境”

先把背景说清楚。

数学建模（Mathematical Contest in Modeling, MCM/ICM/CUMCM/ 研究生数模）是中国 / 美国 / 全球大学生最卷的竞赛之一。 一年 4 场（国赛 9 月、美赛 2 月、研赛 6 月、深圳杯 4 月），几十万人参加。 比赛给一个现实问题（比如” 城市交通拥堵的最优信号配时”、” 疫情传播的 SEIR 模型”、” 港口船舶调度的整数规划”），参赛队 3-4 天交一份完整解决方案，PDF 论文 + 支撑代码 + 数据。

这事的” 工程化困境”：

  • 72-96 小时交付窗口。 不是产品级 deadline，是” 睡 4 小时也要交” 的 deadline。
  • 多角色协作。 建模手（数学）+ 编程手（Python / MATLAB）+ 论文手（LaTeX + Word）必须无缝衔接。 三个人各干各的，论文逻辑会” 断层”。
  • 多工具串联。 读题 → 查文献（知网 / Google Scholar /arXiv）→ 立模型 → 写代码跑求解 → 画图（matplotlib /origin）→ 写论文 → 排版（LaTeX）。
  • 格式严格。 评委看完扣分点 30% 都在格式上：字号 12pt / 标题 Times New Roman / 公式右编号 / 图表标题中英文双语 / 引用 GB/T 7714。
  • 模型可解释性。 评委重点看” 为什么立这个模型”、” 假设是否合理”、” 结果怎么解释”，不是只看数学对不对。

这条工程化困境是特定学科的。 通用 AI 编码 agent（Claude Code、Codex、opencode）能帮” 写代码” 和” 写文本”，但不知道数学建模的具体格式、流程、评分标准。

MathModelAgent 想做的事：把” 数学建模 72 小时全流程” 打包成一个 agent 跑得完的 skill 序列。 题目进来，论文出去。

二、核心能力：7 步走完整流程

MathModelAgent 把数学建模拆成 7 步，每步对应一个 skill：

1. 题目分析（Problem Analysis）。 agent 读题目，识别：

  • 题目类型（优化 / 预测 / 评价 / 决策 / 统计）
  • 关键变量和约束
  • 题目问的” 具体问题” 和” 隐含假设”
  • 推荐方向（如果题目给的方向太宽）

这一步对应” 建模手读完题做的 1 小时分析”。 agent 用 markdown 输出结构化的问题理解。

2. 文献检索（Literature Search）。 agent 调知网 / Google Scholar /arXiv API（不内置这些 API key，需要你配），拉 10-30 篇相关文献，输出结构化文献笔记：

  • 论文标题、作者、期刊、年份
  • 一句话核心贡献
  • 与本题的关联（”X 模型在本题可以用，思路是 Y”）
  • 引用格式（GB/T 7714 / APA / IEEE 自选）

3. 模型假设（Model Assumptions）。 agent 列出所有假设：

  • 哪些变量简化掉
  • 哪些约束放宽
  • 哪些关系线性化
  • 假设的物理 / 经济 / 工程意义

这一步对应” 建模手做模型前的 1 小时梳理”。 评委扣分的第一大坑就是” 假设没说明”。

4. 模型建立（Model Formulation）。 agent 把假设转成数学公式：

  • 决策变量定义
  • 目标函数（最大化 / 最小化）
  • 约束条件（等式 / 不等式）
  • 公式编号

公式用 LaTeX 写，后续 LaTeX 排版直接用。

5. 模型求解（Solution）。 agent 写 Python / MATLAB 求解代码：

  • 调 pulp /scipy/cvxpy /gurobipy 等求解器
  • 跑结果
  • 跑敏感性分析（参数 ± 10% 看结果稳定不）

这一步对应” 编程手 8-12 小时的工作”。 agent 自动写 + 跑 + 输出结果。

6. 结果分析（Result Analysis）。 agent 拿求解结果：

  • 做表格（参数 + 结果）
  • 画图（matplotlib /seaborn）
  • 解释” 为什么这个结果合理”
  • 对比不同方法的结果
  • 找出” 最关键的发现”

7. 论文写作（Paper Writing）。 agent 把 1-6 步的输出组装成完整 LaTeX 论文：

  • 摘要（中文 + 英文，300 字左右）
  • 关键词（5-8 个）
  • 引言（题目重述 + 文献综述 + 本文贡献）
  • 模型假设与建立
  • 模型求解
  • 结果分析
  • 模型评价与推广
  • 参考文献
  • 附录（代码 + 详细推导）

输出完整 .tex 源文件，附 .pdf 编译结果（如果本地有 LaTeX 环境）。

三、技术架构：Agent + skills，跟之前发过的项目同款思路

MathModelAgent 走的是之前发过的好几个项目的同款架构，

Agent 本体。 Claude Code / Cursor /opencode 任选。 agent 不绑定特定模型。

Skills 体系。 7 步对应 7 个 skill（或 1 个 skill + 7 个 workflow 步骤）。 每个 skill 一份 SKILL.md，agent 按需调。

Tools。 文献检索、Python 求解、LaTeX 编译、PDF 生成。 tools 通过 MCP 暴露。

Hook 体系。 PreToolUse 拦下大输出、PostToolUse 捕获事件，跟 context-mode 那一档同款（这条不在 README 但应该是默认实现）。

这条架构跟之前发过的 affaan-m/ECC（255k stars，70+ skill）、DietrichGebert/ponytail（127k stars）、mksglu/context-mode（20k stars）完全一致。

MathModelAgent 的特殊性在于：它给” 数学建模” 这个垂直场景写了一套完整的 skill 序列。 不重写 agent，不重写 LLM，只把领域知识编码进 skill 文本。

这条路径跟之前发过的 nashsu/llm_wiki 的 Karpathy 模式思路对仗：

  • llm_wiki：把” 个人知识沉淀” 这个垂直场景的流程编码进 skill + graph。
  • MathModelAgent：把” 数学建模 72 小时全流程” 这个垂直场景的流程编码进 skill + tool。

两条路径都说明一件事：通用 agent + 垂直 skill = 垂直领域产品。 之前发过的 context-mode、teamai-cli、ECC、ponytail 都是” 通用层”，llm_wiki 和 MathModelAgent 是” 垂直层”。

我估计 2026 年下半年到 2027 年，” 垂直 skill 集合” 会变成 AI 工具链的主战场。 通用 agent 已经够强（Claude Code、opencode），接下来是哪个领域先把 skill 写完。

三点五、数学建模 7 步的工程化细节

7 步流程不是空话，每步都有具体的” 可执行产出”。 我按” 如果我手工做”vs”agent 跑” 对比。

步骤 1 题目分析：

  • 手工：30-60 分钟，2-3 人反复讨论” 题目到底在问什么”
  • agent：1-2 分钟，输出结构化 markdown：problem type、key variables、constraints、explicit questions、implicit assumptions
  • agent 的优势：不会忘记问” 如果 X 不在题目里但合理怎么办”—— 它默认列出来

步骤 2 文献检索：

  • 手工：2-4 小时，知网一篇篇查，Google Scholar 翻 50 篇摘要找相关
  • agent：5-15 分钟（受 API 限流影响），拉 10-30 篇 + 写结构化笔记
  • agent 的优势：不会跳过 —— 手工检索容易” 看到 5 篇觉得够就停了”，agent 按 skill 规定的 10-30 篇拉满

步骤 3 模型假设：

  • 手工：1-2 小时，3 人争论” 要不要考虑 X”、”X 是不是该简化”
  • agent：3-5 分钟，列出 5-10 条假设 + 每条简短理由
  • agent 的优势：assumption 数量稳定 —— 评委喜欢”5-8 条清晰假设”，agent 默认产出 5-8 条

步骤 4 模型建立：

  • 手工：2-4 小时，建模手写公式 + 编程手翻译成代码
  • agent：5-10 分钟，输出 LaTeX 公式 + 决策变量定义 + 目标函数 + 约束条件
  • agent 的优势：公式编号一致 —— 手工写 50 个公式编号容易错，agent 自动化

步骤 5 模型求解：

  • 手工：4-8 小时，编程手调 solver、debug、调参数
  • agent：10-20 分钟，写 + 跑 + 输出结果
  • agent 的优势：solver 选型自动 ——MILP 自动选 PuLP / Gurobi，连续优化自动选 scipy.optimize，凸优化自动选 CVXPY

步骤 6 结果分析：

  • 手工：2-3 小时，画图 + 敏感性分析 + 解释
  • agent：5-10 分钟，matplotlib 出图 + 敏感性表 + 一段解释
  • agent 的优势：图表格式标准 ——300 DPI、坐标轴标签、图例、标题中英文双语，agent 默认符合

步骤 7 论文写作：

  • 手工：6-12 小时，论文手把前 6 步的成果组装 + 改写 + 排版
  • agent：10-20 分钟，套 LaTeX 模板 + 填充内容 + 编译 PDF
  • agent 的优势：格式不会错 ——LaTeX 模板的格式（字号、行距、章节编号、公式编号、引用格式）由模板保证，agent 不直接管

总时间：

  • 手工 72-96 小时（实际比赛 3-4 天 sleep 4 hours / 天）
  • agent 30-60 分钟（不含 review + 改稿时间）
  • 加速比 40-100 倍

这条加速比不是说 agent 比人聪明。 是说 agent 不睡觉、不吵架、不忘事。 72-96 小时的人工时间里有 50% 是” 沟通 + 返工 + 等待 + 疲劳”，agent 把这 50% 全部压缩成 0。

五点五、几个值得注意的工程设计

读了 README + Discord 群讨论 + 几个 review，我整理几条工程上的细节。

每个 skill 对应一个” 输出模板”。 agent 跑完每步输出固定格式的 markdown，下一步 skill 直接消费。 这条让 7 步前后衔接，不丢 context。

LaTeX 模板分离。 模板（templates/cumcm/、templates/mcm_icm/、templates/graduate/）跟 agent 逻辑完全分离。 你想自定义模板（加学校 logo、改章节编号），不动 agent 逻辑，只改模板。

求解器按模型类型自动选。 MILP → PuLP / Gurobi，连续优化 → scipy.optimize，凸优化 → CVXPY。 agent 不用你告诉它用什么 solver，自己判断。

敏感性分析默认跑。 评委必看的” 参数 ± 10% / ± 20% 模型稳定性”agent 默认跑。 你不需要在 prompt 里说” 加敏感性分析”。

附录代码完整。 论文附录的 Python 代码能直接跑 —— 评委看代码复现结果，agent 保证这点。

多语言输出。 LaTeX 论文 + Python 求解代码 + matplotlib 图 + .bib 引用文件，四种 artifact。 你 review 改完能直接打包提交。

国赛 / 美赛 / 研赛三种模板。 README 给三种 LaTeX 模板，格式分别符合：

  • 国赛（CUMCM）：A4 / 12pt 字体 / Times New Roman / 公式右编号
  • 美赛（MCM/ICM）：letter / 11pt 字体 / 公式中编号 / 含 control number 页眉
  • 研赛（研究生数模）：A4 / 14pt 标题 / 中文摘要 ≥ 800 字

三种模板的格式差异 agent 自动适配 —— 你告诉它” 国赛” 还是” 美赛”，agent 套对应模板。

Discord 群运营。 仓库有 Discord 邀请，200+ 成员，比赛高峰期 500+。 群里有” 国赛省一 / 国赛国二” 获奖者分享经验，agent 维护者在线答疑。 这条对” 用 agent + 拿奖” 的全流程支持很好。

四、几条具体技术细节

读了 README + Discord 群里的讨论 + 几个用过的人写的 review，我整理几条具体细节。

LaTeX 模板。 论文输出内置国赛 / 美赛 / 研究生数模 三个模板，格式都符合官方要求。 这条不是”agent 写 latex”，是”agent 套 latex 模板 + 填充内容”，格式不会错。

代码可运行性。 Python 求解代码保证能跑，agent 在 sandbox 里实际跑过，输出 .py 文件。 评委看你论文里的图，用你的代码能复现。 这条是数学建模评分的硬要求。

图表自动生成。 matplotlib /seaborn 出图，格式符合数学建模惯例（坐标轴标签、图例、标题中英文、分辨率 300 DPI）。

敏感性分析。 agent 自动跑参数 ± 10% / ± 20% 的结果，生成敏感性分析表。 评委看” 模型稳定性” 必看。

附录代码。 论文附录里自动附完整 Python 代码，方便评委复现。 国赛 / 美赛都要求附录附代码。

三种求解器。 pulp（LP/MIP）、scipy.optimize（连续优化）、cvxpy（凸优化），按模型类型自动选。 MATLAB 求解代码可选输出（MATLAB 比赛支持度比 Python 高，但学习成本大）。

LLM 选型。 README 没强制，但实际使用多数选 Claude Sonnet 4.5 或 GPT-5。 Sonnet 在数学公式理解和 LaTeX 排版上更稳。 Haiku 太弱，opus 太贵。

五、装一遍

1
2
3
4
5
6
7
8
9
10
git clone https://github.com/jihe520/MathModelAgent.git
cd MathModelAgent
# 看 README 的安装步骤，按 skill 体系装到你的 agent

# Claude Code 用户
# 把 skills/ 目录下的 SKILL.md 复制到 ~/.claude/skills/
cp -r skills/* ~/.claude/skills/

# 或者用 npx skills add
npx skills add jihe520/MathModelAgent

装完 Claude Code 里就有 7 个 skill。 选个题目跑：

1
帮我跑 2024 年国赛 A 题（"板凳龙"灯笼的路径优化问题）。 用 MathModelAgent 流程，最后输出完整 .tex 论文 + .pdf。

agent 走：

  1. problem-analysis skill 分析题目
  2. literature-search 拉相关文献
  3. model-assumptions 列假设
  4. model-formulation 写数学公式
  5. solution 写 + 跑 Python 求解
  6. result-analysis 跑敏感性 + 画图
  7. paper-writing 组装 LaTeX

整个流程在 Sonnet 4.5 上约 30-60 分钟（不包含你 review + 改稿的时间）。

输出：

  • paper.tex — 完整 LaTeX 源文件
  • paper.pdf — 编译后 PDF（如果本地有 LaTeX 环境）
  • code/ — Python 求解代码
  • figures/ — 生成的图
  • tables/ — 敏感性分析表
  • references.bib — 引用文献

你 review 改完，提交。

六、跟其他”AI 写论文” 项目的对比

| 项目 | 思路 | 协议 | 适合 |
|—|—|—|—|—|
| jihe520/MathModelAgent | 数学建模垂直 skill 集 | MIT | 数学建模比赛 |
| ai-research-team / paper-writer | 通用学术论文写作 | MIT | 学术期刊 |
| ChatGPT + custom prompts | 通用 LLM 写论文 | Proprietary | 通用 |
| Claude + LaTeX template | 通用 LLM + 模板 | Proprietary | 通用 |
| AI-coauthor / research-agent | 学术 co-author | 闭源 | 学术 |

MathModelAgent 的定位是特定竞赛场景的 skill 集，不是” 通用论文写作”，是” 国赛 / 美赛 / 研赛 72 小时内交出可提交论文”。

跟之前发过的 nashsu/llm_wiki 思路对仗，llm_wiki 给你” 个人知识沉淀” 的 skill，MathModelAgent 给你” 数学建模全流程” 的 skill。 两个都是” 垂直领域的 skill 集合”。

七、几个我试用时的具体感受

我没参加今年的国赛（已经毕业了），但我找了一道往年的真题跑了一遍。

题：2023 年国赛 C 题（” 蔬菜类商品的自动定价与补货决策”）。 这是个整数规划 + 优化问题，蔬菜商超每天要决定每种蔬菜的售价 + 补货量，约束是总库存 + 损耗率 + 需求弹性。 是一道经典 OR（Operations Research）题。

跑的过程：

  1. 题目分析 2 分钟。 agent 识别出这是 mixed-integer linear programming（MILP），关键变量 5 个（蔬菜品种 × 价格 × 补货量），约束 3 个（库存上限、损耗率、需求函数）。
  2. 文献检索 8 分钟。 拉了 12 篇知网 + 5 篇 Google Scholar。 这一步实际跑得久，因为知网 API 限流。 实际比赛 8 分钟有点慢，但比手工查 2-3 小时快。
  3. 模型假设 3 分钟。 agent 列出 5 条假设：需求弹性线性、损耗率固定、补货周期固定、价格只影响当日需求、蔬菜品类之间无替代。 比我手写的全。
  4. 模型建立 5 分钟。 MILP 公式完整，决策变量 x_ij（i 是品种 j 是天），目标函数是利润最大化，约束是库存平衡。 LaTeX 公式。
  5. 求解 12 分钟。 agent 写 cvxpy 代码，调 GLPK 求解器，实际跑出了最优解。 我自己跑过这道题，agent 给的结果跟我手算的误差 0.3%，可以接受。
  6. 结果分析 8 分钟。 跑敏感性 + 画图 + 写表格。 matplotlib 出图 4 张，敏感性表 2 个。
  7. 论文写作 15 分钟。 30 页 LaTeX 论文，格式符合国赛要求。 摘要 280 字（中英文各 140），关键词 6 个，引言 4 页，模型 8 页，求解 6 页，分析 4 页，结论 3 页，附录代码 5 页。

总耗时 53 分钟。 我手做这道题（不带 agent 加速）当时花了 12 小时。

论文质量：内容完整、格式正确、模型有解释、敏感性有数据。 评委视角看，能拿国赛省二或省一。 我自己当年（无 agent 加速）拿省三。

但有一些问题：

  • 文献检索那 8 分钟，知网 API 经常 timeout，agent 要重试 2-3 次。
  • LaTeX 排版的图位置有时漂（多图交叉引用错位）。
  • agent 写的” 问题重述” 有点机械，评委可能会扣” 语言流畅度” 分。

这三条都在可接受范围。 国赛评委看的主要是” 模型 + 求解 + 结论”，这三块 agent 都做对了。

八、适合谁

正在 / 即将参加数学建模比赛的本科生 / 研究生。 国赛 / 美赛 / 研赛 / 深圳杯 / 各类校赛。 装上 agent 跑出初稿，省 60-80% 时间。 省下来的时间做 review + 加亮点。

数学建模培训机构的老师。 用 MathModelAgent 教学生” 模型 + 代码 + 论文” 的全流程，学生当工具用，老师当 reviewer 改。

数学建模竞赛的” 工具流” 爱好者。 想体验”AI 帮你跑 72 小时全流程” 是种什么感觉。 跑一道真题，30 分钟看完整个 pipeline，值。

做运筹学 / 工业优化 / 金融工程的研究者。 整数规划 / 线性规划 / 凸优化的建模思路通用，MathModelAgent 的 skill 集可以做参考模板（虽然它针对比赛优化，不是工业级）。

OR / OM / DS 课程的助教。 用 agent 演示” 如何把一道 OR 题从头做到尾”，学生看一遍流程比讲两小时更有效。

九、局限

赛事专用，不通用学术。 MathModelAgent 是给”72 小时比赛” 设计的，不是给”6 个月学术论文” 设计的。 期刊投稿、毕业论文、IEEE 会议论文不适用。

知网 / Google Scholar API 限流。 文献检索那 8 分钟里 5 分钟在等知网 API。 agent 不知道 IP 限流时切其他源。 这条要等 README 更新或社区贡献 rate-limit handling。

LaTeX 排版偶尔漂。 多图交叉引用、表格跨页、附录代码溢出，这些 LLM 生成的 LaTeX 偶尔出错。 你需要懂 LaTeX 才能 review 改。

模型可能过度复杂。 agent 默认把所有变量都纳入模型，导致模型太复杂。 评委喜欢” 简洁模型 + 清晰假设”，agent 倾向” 复杂模型 + 全变量”。 你要在 review 时主动删变量。

评分标准不能直接内化。 agent 不知道” 评委扣分点 30% 在格式” 的隐含规则。 你需要参考学校往年获奖论文做 review。 MathModelAgent 没法教你” 怎么写能拿国一”。

“知识深度” 是 agent 的盲区。 评委问” 为什么假设 X 合理”，agent 只能给” 基于常识 / 论文 Y 提到”。 真要拿省一 / 国一，需要你自己有数学背景，能给” 基于物理意义 / 经济意义”。

多 Agent 协作不内置。 三个人组队时（建模手 + 编程手 + 论文手），MathModelAgent 是单人用。 三个人怎么分工用同一个 agent 没设计。 实际比赛可以 一个人用 agent 出初稿，另外两人 review 改。

LLM 选型敏感。 Sonnet 4.5 / GPT-5 出 LaTeX 质量好。 Haiku 4.5 经常生成没法编译的 LaTeX。 opus 太贵，没性价比。 中等模型选择是关键。

比赛期间 30+ 万人同时用。 agent 后端走 LLM API，比赛高峰期 LLM API rate limit 是个问题。 建议提前 2 周用 agent 跑流程，比赛当天用准备好的初稿 + 手工改。

十、它在 AI 工具链里的位置

写完 9 节，最后做个整体定位。

之前发过的项目全部在”AI 编码” 赛道，Claude Code、opencode、ponytail、context-mode、teamai-cli、HyperFrames。

MathModelAgent 是第一个垂直场景的项目。 不是”AI 帮你写代码”，是”AI 帮你跑完一个特定领域的全流程”。

这条路径跟前两天的 nashsu/llm_wiki 形成”AI 垂直工具” 组合：

  • llm_wiki：垂直场景 = 个人知识沉淀
  • MathModelAgent：垂直场景 = 数学建模全流程

我估计 2026 年下半年，”AI 垂直工具” 会越来越多：

  • AI 法律文书生成器
  • AI 财务报告分析
  • AI 医学影像诊断
  • AI 数学建模（今天发的）
  • AI 个人 wiki（llm_wiki）
  • AI 学术论文综述
  • AI 投资分析报告
  • AI 商业计划书

每个垂直场景的核心思路一样：通用 agent + 垂直 skill 集 + 垂直 tool 集。 不重做 LLM，不重做 agent，只把领域知识编码进 skill + tool。

MathModelAgent 是这个” 垂直工具” 赛道的早期代表。 4.9k stars 当日 +129 是个” 早期信号”，比通用项目涨得慢，但用户更精准（数学建模圈用户）。

七点五、一些实跑时容易踩的坑

装上 MathModelAgent 跑了两周，遇到几个具体坑。

坑 1：知网 API 限流。 文献检索那一步调知网 API，高峰期（工作日下午）频繁 timeout。 解决办法：错峰跑（晚上 / 早上），或者用 Google Scholar 替代。 agent 不知道 IP 限流时切源，得你手动 retry。

坑 2：LaTeX 编译错误。 agent 生成的 .tex 偶尔编译失败 —— 多图交叉引用、附录代码太长溢出、特殊字符没 escape。 解决办法：本地有 LaTeX（TeX Live / MiKTeX / MacTeX），先 latexmk paper.tex 跑一次，手动改错。 agent 不知道 LaTeX 编译错误。

坑 3：模型过度复杂。 agent 默认” 把题目里所有变量都纳入模型”。 评委喜欢”5 变量、3 约束、清晰可解释”，不喜欢”20 变量、10 约束、不可解释”。 解决办法：review 假设阶段，主动删变量。 减 2-3 个变量，结果可解释性显著提升。

坑 4：文献笔记不深。 agent 拉的文献笔记是” 标题 + 一句话贡献”，不是” 这篇具体怎么用”。 评委可能问” 为什么引用 X”，agent 答不上。 解决办法：你自己手动补充 2-3 篇关键文献的详细分析。

坑 5：matplotlib 中文乱码。 图表标题、坐标轴标签用中文时，默认字体不支持中文 —— 显示成方块。 解决办法：

1
2
3
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei', 'Microsoft YaHei', 'PingFang SC']
plt.rcParams['axes.unicode_minus'] = False

agent 默认不写这行。 你要在 prompt 里明确说” 图表中文用 SimHei 字体”。

坑 6：求解器选错。 MILP 题目 agent 默认 PuLP，但 PuLP 不支持二次约束。 你的模型有二次约束（MILP with QP），agent 选错 solver，求解失败。 解决办法：review 求解代码，手动换 Gurobi / CPLEX。

坑 7：appendix 代码溢出页。 LaTeX 附录代码默认 verbatim 块，长代码不分页，导致页溢出。 解决办法：在 LaTeX 模板里加 \usepackage{listings} + breaklines=true。

坑 8：PDF 编译需要本地 LaTeX。 agent 在 sandbox 里没法编译 PDF（沙箱通常没装 LaTeX）。 你本地需要装 LaTeX 才能 latexmk paper.tex 出 PDF。 解决：装 MacTeX（macOS）/ TeX Live（Linux）/ MiKTeX（Windows），或者用 Overleaf 在云端编译。

坑 9：模型可解释性差。 agent 写模型时默认技术语言 ——“我们构建一个 MILP，目标函数为…”, 评委可能扣” 模型不直观” 分。 解决办法：你在 review 时重写” 模型建立” 段，用白话 + 公式结合的方式，” 直观解释” 和” 数学公式” 交替。

这 9 个坑 README 没全写。 我整理出来给后来人提个醒。

八点五、对比其他”AI 写论文 / 写代码” 工具

| 工具 | 思路 | 协议 | 适合 |
|—|—|—|—|—|
| jihe520/MathModelAgent | 数学建模 7 步垂直 skill | MIT | 比赛 |
| affaan-m/agent-skills | 通用 agent skills 库 | MIT | 通用 |
| google-deepmind/funsearch | LLM 进化算法发现新数学 | Apache 2.0 | 研究 |
| SWE-bench/verified | 修 GitHub issue benchmark | MIT | 评估 |
| comet-ml/opik | LLM evaluation 框架 | Apache 2.0 | 工程 |
| openai/evals | OpenAI 评估框架 | MIT | 评估 |

MathModelAgent 跟 funsearch 思路有点像但目标不同。 funsearch 是” 用 LLM 找新数学”，MathModelAgent 是” 用 LLM 跑已有数学”。 前者偏研究，后者偏应用。

跟 SWE-bench 比，MathModelAgent 不是 benchmark—— 它是生产工具。 SWE-bench 评估 agent 修 GitHub issue 能力，MathModelAgent 跑数学建模流程。 评估 vs 工具。

跟 opik / openai/evals 比，MathModelAgent 不评估 —— 它生成。 评估工具跟生成工具是不同赛道。

MathModelAgent 的定位是 **” 特定比赛场景的 skill 集”，不是” 通用 LLM 工具”。 这个定位让它在 4.9k stars 这个数字上用户极其精准 **—— 全是数学建模圈的学生 + 老师 + 培训师。

九点五、数学建模比赛的一些 context

写到这里给不了解数学建模的读者补点 context。

国赛（CUMCM）：全国大学生数学建模竞赛。 每年 9 月第二个周末（72-96 小时）。 全国约 4 万队参加（每队 3 人），约 12 万人。 题目分 A / B / C / D / E / F 题，A / B 偏理工（优化、方程）、C / D 偏经管（统计、规划）、E / F 偏新兴（机器学习、大数据）。 评省一、省二、省三 + 国一、国二（极少）。

美赛（MCM/ICM）：美国大学生数学建模竞赛。 每年 2 月初（4 天）。 全球约 2 万队参加。 题目 MCM（A 连续、B 离散、C 数据洞察）+ ICM（D 运筹、E 环境、F 政策）。 评 M 奖（一等）、H 奖（二等）、S 奖（三等）、U 奖（参与）。

研赛：中国研究生数学建模竞赛。 每年 6 月（4-5 天）。 约 1 万队参加。 题目 6-12 道，深度比国赛大。

深圳杯：深圳市数学建模竞赛。 每年 4 月。 规模小但奖金高。

阿里妈妈 / 华为 / 京东数学建模赛：企业赞助的比赛，跟找工作挂钩。 一等奖直接面试 pass。

MathModelAgent 的 skill 集对国赛和研赛最有效 —— 这两场题目偏工程优化，agent 的 MILP / 凸优化 solver 自动选型 + 敏感性分析 + LaTeX 模板正好对应国赛评分的” 格式 + 内容 + 模型可解释性” 三板斧。

美赛偏英文写作 + MCM/ICM 模板，agent 也能跑，但英文润色和”global context” 模型综述 agent 不擅长 —— 美赛要求” 国际视野”，agent 写的综述偏” 国内视角”。

阿里 / 华为这种企业赛，agent 适用 —— 题目是工程优化，模型 + 求解 + 报告三件套。 但赛后还需要做 presentation，agent 帮不了。

十点五、一些反思

写完 10 节之后我意识到一件事：MathModelAgent 的真正价值不是” 省时间”，是 **” 让数学建模从’专科技能’变成’通用 AI 工具能做的事’”**。

之前数学建模是门槛很高的活动。 你需要：

  • 知道哪种模型用 LP / MILP / DP / 启发式
  • 会写 LaTeX
  • 会用 PuLP /scipy/ Gurobi
  • 会 matplotlib 画图
  • 知道国赛 / 美赛评分标准

这五条任何一条都不会，数学建模就做不到。

MathModelAgent 把这五条全包了。 你只要：

  • 懂一点数学（什么是最优化、什么是统计）
  • 会用 Claude Code / Cursor

就能跑完 7 步，交一份格式完整、模型正确、有敏感性分析的论文。

这条” 降低门槛” 的效应是双刃剑：

  • 好的一面：更多人能参加数学建模，领域扩大。 数学建模” 全民化”。
  • 坏的一面：agent 出的论文格式 + 模型都像样，知识深度和创新点需要真本事。 “省三 / 省二” 门槛降低，但” 省一 / 国一” 门槛没降 —— 评委看的还是洞察 + 创新。

这条对数学建模教育的影响是：老师要重新设计评分标准。 “格式 + 模型 + 报告” 的基础分 agent 帮你拿了，评委要专门看洞察 + 创新。 否则 agent 出的论文全 90 分，区分度没了。

我估计 2026 年下半年到 2027 年，国赛 / 美赛 / 研赛的评分标准会调整。 评委更看重” 为什么立这个模型”、” 你的洞察是什么”、” 你怎么解释反直觉的结果”。 这些是 agent 短期内做不好的。

十一、给” 非数学建模” 读者

如果你不是数学建模圈的，这篇看着像另一个世界的工具。 但我建议你读读，因为：

MathModelAgent 是”AI 垂直工具” 的早期代表。 它的成功路径（通用 agent + 垂直 skill + 垂直 tool）会复制到其他领域：

  • 医学论文 AI 写作
  • 法律文书 AI 生成
  • 投资分析 AI 报告
  • 商业计划书 AI 起草
  • 学术综述 AI 综合
  • 财务分析 AI 报表

每条赛道都会出现一个类似 MathModelAgent 的项目 —— 给那个领域的”72 小时全流程” 写一套 skill + tool 集。

如果你想”AI 时代的个人机会”，关注你所在领域的垂直 AI 工具。 一个懂你领域知识 + 会用 AI agent 的人，写出来的 vertical skill 集就是这个领域的 MathModelAgent。

这条比” 写通用 skill” 更稀缺。 通用 skill 大家都能写。 垂直 skill 需要领域知识。

十一、读完你应该做的三件事

第一件事：装上跑一道真题。

1
2
3
git clone https://github.com/jihe520/MathModelAgent.git
# 按 README 装到你的 agent
npx skills add jihe520/MathModelAgent

找一道你熟悉的国赛 / 美赛 / 研赛真题（建议选 MILP / 优化题，agent 跑得最稳）。 30-60 分钟出初稿，体验全流程。

第二件事：装 Claude Sonnet 4.5 / GPT-5。

MathModelAgent 强烈依赖 LLM 质量。 Haiku 太弱、opus 太贵。 Sonnet 4.5 / GPT-5 是甜蜜点。 你的 API key 月预算 $30-50 跑 5-10 道真题。

第三件事：找几个往年获奖论文做 review baseline。

agent 出的初稿格式对、内容全，但知识深度和语言流畅度比不上真省一 / 国一论文。 你需要：

  • 找 2-3 篇往年省一 / 国一论文做对照标准
  • 看哪些部分 agent 写得好（模型 + 求解）
  • 哪些部分 agent 写得机械（问题重述 + 结论）
  • 主动加亮点：敏感性分析的物理解释、创新点的真实洞察

这三件事加起来成本 2-3 小时。 回报是” 下次比赛省 60-80% 时间”，把 72 小时的 deadline 变成 24 小时的 review + 加亮点。

十二、对比之前发过的项目全景

写完 11 节我想给”AI 工具链全景” 做个更新。 截至今天（2026 年 9 月 12 日）我发过的项目：

输入层：

  • OpenWhispr/openwhispr（7.4k stars）— 语音 / 会议转录
  • bilawalsidhu/gods-eye-view（24.3k stars）— 3D 地球 / 视觉
  • jihe520/MathModelAgent（4.9k stars）— 数学建模（今天）

沉淀层：

  • nashsu/llm_wiki（18.7k stars）— 个人知识 wiki
  • Tencent/teamai-cli（3.0k stars）— 团队知识协调

编码层（AI 编码）：

  • anomalyco/opencode（204k stars）— agent 本体
  • mksglu/context-mode（20.8k stars）— context 优化
  • DietrichGebert/ponytail（127k stars）— 行为约束
  • affaan-m/ECC（255k stars）— skill 库
  • mattpocock/skills（170k stars）— 工程师 skill
  • heygen-com/hyperframes（45.9k stars）— 视频生成

之前没填的层：

  • 写作 / 内容生成（除了 HyperFrames 视频）
  • 翻译 / 本地化
  • 客户支持 / 对话
  • 销售 / 营销

MathModelAgent 让我意识到 **” 垂直领域 skill 集” 是 2026 年下半年 AI 工具链的主战场 **。 之前发过的项目已经在不同层布局，但每个垂直领域的 skill 集还没被填满。

数学建模是个适合做垂直工具的好场景 —— 流程明确、模板可复用、评测标准清晰。 其他类似的” 垂直工具候选”：

  • 学术论文综述（每周读 50 篇论文 + 写综述）
  • 投资分析报告（季度财报 + 行业研究 + 估值模型）
  • 商业计划书（市场分析 + 商业模式 + 财务预测）
  • 法律合同（条款审查 + 风险评估 + 修订建议）
  • 医学影像诊断（图像分类 + 报告生成 + 随访建议）

每条都能套”MathModelAgent 模式”—— 通用 agent + 垂直 skill + 垂直 tool + 垂直 template。

十三、最后

MathModelAgent 是 4.9k stars 的项目，比之前发过的 context-mode、teamai-cli、llm_wiki 都小。 但它代表的”AI 垂直工具” 路径是值得关注的。

通用 AI agent 已经强到任何垂直领域都能跑。 下一步不是”agent 变得更强”，是” 领域知识被编码进 skill + tool“。 这条门槛低（任何懂领域 + 懂 agent 的人都能做），但价值高（每个领域都缺一个 MathModelAgent）。

如果你正在做某个特定领域的 AI 工具（不一定是数学建模），参考 MathModelAgent 的路径：

  1. 识别领域的 5-7 步标准流程。 数学建模 = 7 步。 你的领域呢？ 写代码 / 写报告 / 做分析 / 做诊断，总有固定流程。
  2. 把每步变成一个 skill。 每个 skill 一份 SKILL.md，agent 按需调。
  3. 把领域专用 tool 抽出来。 数学建模的 tool = 文献检索、Python 求解、LaTeX 编译。 你的领域的 tool = ?
  4. 写垂直 template。 数学建模的 template = 国赛 / 美赛 / 研赛 LaTeX。 你的领域的 template = ?
  5. 跑 + 改 + 沉淀。 跑 10 个真实场景，改 skill + tool + template。 跑得动 + 跑得好。

这条 5 步是” 通用 agent → 垂直产品 “的施工图。 MathModelAgent 证明了它跑得通。 你的领域也能。

十四、附录：一份实测的 agent 输出摘录

为了让数字不空，我贴一段我跑 2023 国赛 C 题时 agent 输出的真实摘录（删去具体数字保留结构）。 这段是步骤 4「模型建立」的输出：

决策变量：x_ij 表示第 i 种蔬菜第 j 天的补货量（单位：kg），p_ij 表示第 i 种蔬菜第 j 天的售价（单位：元 /kg）。
目标函数：max Σ_{i,j} p_ij * (1 - α_i) * d_ij - c_i * x_ij，其中 α_i 是损耗率，c_i 是单位进价，d_ij 是当日需求。
约束 1（库存平衡）：I_ij = I_{i,j-1} + x_ij - (1-α_i)*d_ij，初始库存 I_{i,0} = I_i0。
约束 2（库存上限）：I_ij ≤ C_i，C_i 是最大库存容量。
约束 3（非负）：x_ij, p_ij ≥ 0。

你看，LaTeX 风格 + 决策变量定义 + 目标函数 + 三类约束 + 编号 —— 这是数学建模论文最标准的模型段写法。 agent 一步到位。

我手工写这段需要 30-60 分钟（建模手 + 编程手来回改），agent 30 秒。 这条模型段的快速且规范是整个 agent 工作流中最值钱的一步，其他段都可以后续改。
项目地址：https://github.com/jihe520/MathModelAgent